爬虫抓取与数据分析-优快云博客

1. 将新闻的正文内容保存到文本文件。

def writeNewsDetail(content):
    f = open('gzccNews.txt','a',encoding='utf-8')
    f.write(content)
    f.close()

2. 将新闻数据结构化为字典的列表:

单条新闻的详情-->字典news
一个列表页所有单条新闻汇总-->列表newsls.append(news)
所有列表页的所有新闻汇总列表newstotal.extend(newsls)

import requests
import re
from bs4 import BeautifulSoup
from datetime import datetime
newsUrl = 'http://news.gzcc.cn/html/2017/xiaoyuanxinwen_0925/8249.html'
pageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
 
def writeNewsDetail(content):
    f = open('gzccNews.txt','a',encoding='utf-8')
    f.write(content)
    f.close()
 
def getClickCount(newsUrl):
    newsId = re.search('\_(.*).html',newsUrl).group(1).split('/')[-1]
    resd = requests.get('http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId))
    return (int(resd.text.split('.html')[-1].lstrip("('").rstrip("');")))
 
def getNewDetail(newsUrl):
    resd = requests.get(newsUrl)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')
    news = {}
    news['title'] = soupd.select('.show-title')[0].text  # 标题
    info = soupd.select('.show-info')[0].text  # 连接
    news['dt'] = datetime.strptime(info.lstrip('发布时间:')[:19], '%Y-%m-%d %H:%M:%S')  # 发布时间
    if info.find('来源：') > 0:
       news['source'] = info[info.find('来源：'):].split()[0].lstrip('来源：')
    else:
        news['source'] = 'none'
    news['content'] = soupd.select(".show-content")[0].text.strip()
    writeNewsDetail(news['content'])
    news['click'] = getClickCount(newsUrl)
    news['newsUrl'] = newsUrl
    return(news)
    # content = soupd.select(".show-content")[0].text.strip()
    # writeNewDetail(content)
 
 
def getListPage(pageUrl):
    res=requests.get(pageUrl)
    res.encoding='utf-8'
    soup=BeautifulSoup(res.text,'html.parser')
    newslist = []
    for news in soup.select('li'):
        if len(news.select('.news-list-title')) > 0:
            newsUrl=news.select('a')[0].attrs['href']#继续
            newslist.append(getNewDetail(newsUrl))
 
    return (newslist)
 
def getPageN():
    res=requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
    res.encoding='utf-8'
    soup=BeautifulSoup(res.text,'html.parser')
    n=int(soup.select('.a1')[0].text.rstrip('条'))
    return (n // 10 + 1)
 
newstotal = []
firstPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
newstotal.extend(getListPage(firstPageUrl))
 
n=getPageN()
for i in range(n,n+1):
    listPageUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    newstotal.extend(getListPage(listPageUrl))
 
print(newstotal)

3. 安装pandas，用pandas.DataFrame(newstotal)，创建一个DataFrame对象df.

import pandas
df = pandas.DataFrame(newstotal)
print(df)

4. 通过df将提取的数据保存到csv或excel 文件。

df.to_excel('gzccnews.xlsx')

5. 用pandas提供的函数和方法进行数据分析：

提取包含点击次数、标题、来源的前6行数据
提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。
提取'国际学院'和'学生工作处'发布的新闻。
进取2018年3月的新闻

print(df[['click','title','source']][:6])
print(df[(df['source']=='学校综合办')&(df['click']>3000)])
#使用isin筛选值
sou = ['国际学院','学生工作处']
df[df['source'].isin(sou)]
print(df[df['source'].isin(sou)])
df1 = df.set_index('dt')
print(df1['2018-03'])

6. 保存到sqlite3数据库

import sqlite3
with sqlite3.connect('gzccnewsdb.sqlite') as db:
df3.to_sql('gzccnews05',con = db, if_exists='replace')

7. 从sqlite3读数据

with sqlite3.connect('gzccnewsdb.sqlite') as db:
df2 = pandas.read_sql_query('SELECT * FROM gzccnews05',con=db)
print(df2)

8. df保存到mysql数据库

安装SQLALchemy
安装PyMySQL
MySQL里创建数据库：create database gzccnews charset utf8;

import pymysql
from sqlalchemy import create_engine
conn = create_engine('mysql+pymysql://root:root@localhost:3306/gzccnews?charset=utf8')
pandas.io.sql.to_sql(df, 'gzccnews', con=conn, if_exists='replace')

MySQL里查看已保存了数据。（通过MySQL Client或Navicate。）

转载于:https://www.cnblogs.com/H231/p/8875796.html